|
Title
|
كنترل مبتني بر شبكهي عصبي فازي ديناميكي مقاوم در برابر نقص براي يك فرآيند غيرخطي با استفاده از مقاوم سازي در برابر نقص مبتني بر الگوريتم
|
|
Type
|
Thesis
|
|
Keywords
|
Algorithm Based Fault Tolerance
مقاوم سازي الگوريتم در برابر نقص
شبكه عصبي فازي ديناميكي - تحمل نقص - يادگيري خودسازماندهي آنالين - سيستم فازي
TSK - كنترل كننده - افزونگي نرم افزاري - افزونگي محاسباتي - مقاوم سازي در برابر نقص مبتني بر الگوريتم
|
|
Abstract
|
زمينه: در اين پژوهش، الگوريتم كنترل مبتني بر شبكه عصبي فازي ديناميكي به صورت مقاوم
در برابر نقايص محاسبات ماتريسي پيشنهاد و پياده سازي شده است. اين الگوريتم كنترلي، با
هدف سرعت يادگيري سريعتر و ساختار شبكه فشردهتر و با عملكرد قابل تعميم باال كيفيت
كنترل را بهبود ميبخشد و از اين رو مقاوم سازي آن در برابر نقص از اهميت ويژهاي برخوردار
است.
هدف: هدف اصلي اين پژوهش ارائه الگوريتمي است كه كنترل مبتني بر شبكه عصبي فازي
ديناميكي )DFNN )مقاوم در برابر نقص را پياده سازي ميكند. اين الگوريتم كنترلي با الهام از
روش كنترل معكوس مستقيم ) control inverse Direct)، از الگوريتم يادگيري DFNN به
عنوان تخمينگر و كنترل كننده استفاده ميكند كه سيستم را در برابر نقص مقاوم كرده و
عملكرد كنترل را بهبود مي بخشد. تخمينگر و كنترل كننده DFNN براساس RBF گسترده
ساخته شده و عملكرد آن معادل يك سيستم TSK است كه داراي سرعت يادگيري سريعتر و
ساختار شبكه فشردهتر با عملكرد تقريبي و تعميم باال است و با الگوريتم تشخيص نقص از طريق
افزونگي داده ها ، از آسيبهاي ناشي از نقص، مقاوم ميشود يا به عبارت ديگر مقاوم سازي در برابر
نقص مبتني بر الگوريتم )ABFT )را بررسي مي كند كه يك طرح ارزان قيمت با عملكرد باال
براي تشخيص و تصحيح خطاهاي دائمي و گذرا در عمليات ماتريسي است. در نهايت، در اين
رويكرد كنترل يك فرآيند غير خطي بررسي ميشود كه كارايي آن در انجام عمليات كنترل قابل
مشاهده است. هر الگوريتم زمان اجراي خاص خود را دارد كه از مسائل مهم طراحي الگوريتم
است و كارايي آن از روي زمان اجراي آن بررسي ميشود. زمان اجراي الگوريتم مقاوم شده در
برابر نقص در حضور نقص و عدم حضور نقص متفاوت است كه زمان اجرا و كارايي هر دو به
هنگام اجراي الگوريتمها بررسي ميشود.
روششناسي: مطابق الگوريتم يادگيري DFNN، ابتدا با ورود داده هاي آموزشي واحدهاي RBF
تعيين ميشود كه بدين منظور معيارهاي توليد نورون براي يادگيري سلسله مراتبي و عوامل
توليد نورون از جمله خطاي سيستم و مرز تطبيق از اجزاي جداييناپذير آن بررسي ميشود. پس
از توليد و رشد تعداد نورونها، پارامترهاي واحدهاي RBF تعيين شده، وزنها تنظيم و تكنولوژي
هرس نيز براي حذف نورونهاي كم اهميتتر به كار گرفته شده است.
در ادامه براي الگوريتم كنترلي با الهام از روش كنترل معكوس مستقيم و با هدف دستيابي به
ورودي كنتر
|
|
Researchers
|
neda mahmoodi (Student) , Amin Torabi Jahromi (Primary advisor) , Valiollah Ghaffari (Primary advisor)
|